生物信息数据格式：bed格式

本文主要是介绍生物信息数据格式：bed格式，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

BED format（基因组的注释文件）
基本列
附加列
示例
[Bedtools简介](https://bedtools.readthedocs.io/en/latest/index.html)
- 下载安装
- 演示版的bed文件 (demo.bed)
- 我们的基因组文件（genome.txt）
- [bedtools slop](http://bedtools.readthedocs.io/en/latest/content/tools/slop.html)
- 与GTF的关系

BED format（基因组的注释文件）

用来描述注释的数据。BED线有3个要求的字段（基本列）和9个额外的字段（附加列）

基本列

必不可少的

chrom 即chrom 或者scaffold 名称
chromStart Feature在chrom中的起始位置（前坐标），chrom的第一个碱基的坐标是0，chromStart如果等于2，其实表示的是第三个碱基，feature包含这个碱基
chromEnd feature在chrom中的终止位置（后坐标），chromEnd如果等于5，其实表示的是第六个碱基之前的碱基，feature不包含5这个碱基

详细见https://bedtools.readthedocs.io/en/latest/content/general-usage.html

如下FASTA格式的序列

>chr1
ATGCTTT

对应的bed文件就是：

BED file
chr1 2 5

如果用fastaFromBed提取，那么你能得到的序列是GCT（2号到5号之前的base，第一个base是0号）

附加列

name #feature 的名字
score 0到1000的分值，如果track线在注释时属性设置为１，那么这个分值会决定现示灰度水平，数字越大，灰度越高。下面的这个表格显示Genome Browser
strand 定义链的’’+” 或者”-”
thickStart #feature的起始
thickEnd #feature的终止
itermRgb R, G, B (eg. 255, 0, 0), 如果track line itemRgb属性是设置为’On”, 这个RBG 值将决定数据的显示的颜色在BED 线。
blockCount #exon个数
blockSize #每个exon的大小
blockStarts #以chromStart为起点的各个exon的起始点

示例

BED3
A BED file where each feature is described by chrom, start, and end

chrom    start    end
chr1    11873    14409

BED4
A BED file where each feature is described by chrom, start, end, and name

chrom    start    end    name
chr1    11873    14409    uc001aaa.3

BED5
A BED file where each feature is described by chrom, start, end, name, and score

chrom    start    end    name        score
chr1    11873    14409    uc001aaa.3    0

BED6
A BED file where each feature is described by chrom, start, end, name, score, and strand

chrom    start    end    name        score    strand
chr1    11873    14409    uc001aaa.3    0    +

BED12
A BED file where each feature is described by all twelve columns listed above

.................

Bedtools简介

下载安装

cd ~/local/app/
curl -OL  https://github.com/arq5x/bedtools2/releases/download/v2.22.0/bedtools-2.22.0.tar.gz
tar zxvf bedtools-2.22.0.tar.gz
cd bedtools2
make
ln -sf ~/local/app/bedtools2/bin/bedtools ~/bin/bedtools

演示版的bed文件 (demo.bed)

vim demo.bedKM034562    100    200    one    0    +
KM034562    400    500    two    0    -

我们的基因组文件（genome.txt）

vim genome.txt
KM034562    18959

bedtools slop

restrict the resizing to the size of the chromosome

参数 -b 增加两端的长度
参数 -pct ：片段的长度100bp ，-b 0.1 ，会使两端的长度增加10bp

bedtools slop -i demo.bed -g genome.txt -b 10
bedtools slop -i demo.bed -g genome.txt -b 0.1 -pct

KM034562    90    210    one    0    +
KM034562    390    510    two    0    -

参数 -l 增加开始端的长度

bedtools slop -i demo.bed -g genome.txt -l 10 -r 0

KM034562    90    203    one    0    +
KM034562    390    503    two    0    -

参数 -r 增加末端的长度

bedtools slop -i demo.bed -g genome.txt -l 10 -r 3

KM034562    90    203    one    0    +
KM034562    390    503    two    0    -

有链特异性的运算
参数 -s 对正链无影响,对于负链 -l 10 不再是增加开始端的长度，而是增加末尾端的长度,而 -r 3 不再是增加末端的长度，而是增加开始端的长度

bedtools slop -i demo.bed -g genome.txt -l 10 -r 3 -s

KM034562    90    203    one    0    +
KM034562    397    510    two    0    -

参数 -b

bedtools slop -i demo.bed -g genome.txt -b 20000

KM034562    0    18959    one    0    +
KM034562    0    18959    two    0    -

示意图：

与GTF的关系

genomic features通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件表示，用UCSC Genome Browser进行可视化比较。 Bed文件和GFF文件最基本的信息就是染色体或Contig的ID或编号，然后就是DNA的正负链信息，接着就是在染色体上的起始和终止位置数值。

两种文件的区别在于，BED文件中起始坐标为0，结束坐标至少是1,； GFF中起始坐标是1而结束坐标至少是1。

把BED转成对应的GFF
这并非是真的正确地把BED转成GFF


cat demo.bed | bioawk -c bed '{print $chrom, ".", ".", $start+1, $end, $score, $strand, ".", "." }' > demo.gff
less demo.gff
KM034562        .       .       101     200     0       +       .       .
KM034562        .       .       401     500     0       -       .       .

它与其他格式可以很好地协同工作！


bedtools slop -i demo.gff -g genome.txt -l 10 -r 0 -s
KM034562    .    .    91    200    0    +    .    .
KM034562    .    .    401    510    0    -    .    .